[论文解读] Fast Parsing using Pruning and Grammar Specialization

Manny Rayner, David Carter|ArXiv.org|Apr 26, 1996

Natural Language Processing Techniques参考文献 14被引用 7

一句话总结

本文提出了一种通过结合语法专业化和成分剪枝来加速特定领域自然语言应用中解析速度的方法，灵感源自解释式学习。该方法实现了约十倍的加速，同时覆盖度损失极小——仅为先前工作的约一半，使其在性能显著下降的情况下仍适用于实际部署。

ABSTRACT

We show how a general grammar may be automatically adapted for fast parsing of utterances from a specific domain by means of constituent pruning and grammar specialization based on explanation-based learning. These methods together give an order of magnitude increase in speed, and the coverage loss entailed by grammar specialization is reduced to approximately half that reported in previous work. Experiments described here suggest that the loss of coverage has been reduced to the point where it no longer causes significant performance degradation in the context of a real application.

研究动机与目标

• 在不损失过多覆盖度的前提下，提升特定领域语言应用的解析速度。
• 减少语法专业化技术通常带来的覆盖度损失。
• 将剪枝与语法专业化整合到统一框架中，以实现高效解析。
• 评估尽管存在一定的覆盖度权衡，该方法带来的速度提升是否在真实应用中具有实用性。
• 证明覆盖度损失可被最小化至不再导致系统性能下降的程度。

提出的方法

• 对通用语法应用语法专业化，将其转化为针对特定应用的领域专用语法。
• 使用成分剪枝在解析过程中消除不太可能或冗余的句法结构。
• 解释式学习原则指导专业化过程，聚焦于目标领域中频繁出现的模式。
• 剪枝与专业化相结合的过程实现自动化，从而实现语法的高效预处理。
• 通过真实应用环境中的实验评估该方法，以衡量速度与覆盖度之间的权衡。
• 该方法利用现有解析架构，同时优化运行速度与领域相关性。

实验结果

研究问题

• RQ1 语法专业化与剪枝结合是否能在特定领域中显著加速解析？
• RQ2 语法专业化在多大程度上减少了覆盖度？这种损失能否被最小化？
• RQ3 在真实应用环境中，该方法带来的速度提升是否足以抵消覆盖度的损失？
• RQ4 覆盖度损失能否降低到不再导致系统性能下降的程度？
• RQ5 在实践中，剪枝与语法专业化的整合效果如何？

主要发现

• 所提出的方法实现了约十倍（一个数量级）的解析速度提升。
• 由于语法专业化导致的覆盖度损失减少至先前工作中报告水平的约一半。
• 剩余的覆盖度损失足够小，不会在实际应用中造成显著的性能下降。
• 剪枝与语法专业化的结合使得高效解析成为可能，且无需对底层解析架构进行重大修改。
• 实验评估表明，该方法在实际部署中既有效又实用。
• 结果证实，当与智能剪枝结合时，语法专业化可实现既快速又鲁棒的效果。